| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 引言 | 第10-13页 |
| 1.2 ECEI微波成像的介绍 | 第13-16页 |
| 1.3 机器学习在其他科研大数据中的应用 | 第16-19页 |
| 1.4 本论文研究的内容以及意义 | 第19-22页 |
| 第二章 基于支持向量机和决策树混合模型分类电子回旋辐射成像信号 | 第22-38页 |
| 2.1 支持向量机算法的概述 | 第22-25页 |
| 2.1.1 支持向量机的原理 | 第22-24页 |
| 2.1.2 支持向量机的应用场景 | 第24-25页 |
| 2.2 决策树算法的概述 | 第25-29页 |
| 2.2.1 决策树的原理 | 第25-27页 |
| 2.2.2 决策树的应用场景 | 第27-29页 |
| 2.3 多分类问题解决思路 | 第29-31页 |
| 2.3.1 多分类问题常见的拆解方法 | 第29-30页 |
| 2.3.2 二叉树结构 | 第30-31页 |
| 2.4 基于支持向量机和决策树的混合模型的信号分类 | 第31-36页 |
| 2.4.1 支持向量机和决策树混合模型的概述 | 第31-32页 |
| 2.4.2 饱和信号的识别 | 第32-33页 |
| 2.4.3 无信号的识别 | 第33-36页 |
| 2.4.4 弱信号的识别 | 第36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 基于随机森林算法分类电子回旋辐射成像信号 | 第38-44页 |
| 3.1 随机森林算法的概述 | 第38-39页 |
| 3.1.1 集成学习的原理 | 第38页 |
| 3.1.2 随机森林的构建 | 第38-39页 |
| 3.2 基于随机森林模型的信号分类 | 第39-42页 |
| 3.2.1 调优基决策树分类器的个数 | 第40-41页 |
| 3.2.2 调优基决策树的属性个数 | 第41-42页 |
| 3.3 本章小结 | 第42-44页 |
| 第四章 信号分类的实验结果与讨论 | 第44-50页 |
| 4.1 样本集与特征集 | 第44-45页 |
| 4.2 实验的硬件平台 | 第45页 |
| 4.3 基于偏二叉树结构的支持向量机与决策树混合模型的分类结果 | 第45-46页 |
| 4.4 基于随机森林模型的分类结果 | 第46-47页 |
| 4.5 实验结果的讨论 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 研究结果总结 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-56页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第56页 |
